CN109544608B - 一种无人机图像采集特征配准方法 - Google Patents

一种无人机图像采集特征配准方法 Download PDF

Info

Publication number
CN109544608B
CN109544608B CN201810241622.1A CN201810241622A CN109544608B CN 109544608 B CN109544608 B CN 109544608B CN 201810241622 A CN201810241622 A CN 201810241622A CN 109544608 B CN109544608 B CN 109544608B
Authority
CN
China
Prior art keywords
image
registered
aerial vehicle
unmanned aerial
feature points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810241622.1A
Other languages
English (en)
Other versions
CN109544608A (zh
Inventor
苏超
邝振星
汪林生
阮伟聪
尹祖春
黄绍川
刘章浚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN201810241622.1A priority Critical patent/CN109544608B/zh
Publication of CN109544608A publication Critical patent/CN109544608A/zh
Application granted granted Critical
Publication of CN109544608B publication Critical patent/CN109544608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无人机图像采集特征配准方法，包括根据SIFT算法对待配准图像以及标准图像分别进行特征检测，以获得待配准图像以及标准图像对应的图像特征点，其中待配准图像为无人机进行输电线路的巡检所拍摄获得；根据最近邻方法对图像特征点进行特征点匹配，以获得待配准图像以及标准图像之间匹配的图像特征点；根据仿射变换对匹配的图像特征点进行空间坐标变换，进一步根据最小二乘法获得空间坐标变换对应的空间坐标变换参数；根据空间坐标变换参数对待配准图像进行坐标变换，以使待配准图像与标准图像处于同一坐标系下。本发明能够对无人机图像进行图像配准，配准精度高，为后续的图像识别等图像处理工作提供便利，提高图像处理的效率。

Description

一种无人机图像采集特征配准方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种无人机图像采集特征配准方法。
背景技术
电力系统是我国经济建议的重要基础和国民生活的重要保障，电力系统是否能够正常运行直接影响了国家经济发展和人民的生活质量。一套完整的电力供应系统包括配电、发电、送电、输电、用电等一系列相关设备。作为连接整个系统的主要部分，输电线路运行正常与否，影响了电力系统的稳定性和安全性。对输电线路进行巡检，及时检测线路设备缺陷状态，保证电网安全稳定运行。目前输电线路巡检方式主要有3种：人工巡检、直升机巡检和无人机巡检。
其中对于无人机所拍摄获取的图像，由于不同时间段、不同拍摄距离、不同拍摄视角、不同成像机理等因素，无人机所拍摄的图像可能会存在平移、拉伸、缩放等空间变换关系，没有在同一坐标下严格对齐，无法进行后续的图像识别等图像处理工作。现有对于无人机图像通常是采用人工检测识别的方式，通过人工识别图像上是否存在输电线路缺陷，没有进行图像识别前的图像配准工作，导致后续的图像处理效率低下、人工识别工作强度大，浪费大量的人力。
发明内容
本发明主要解决的技术问题是提供一种无人机图像采集特征配准方法，能够对无人机图像进行图像配准，配准精度高，为后续的图像识别等图像处理工作提供便利，提高图像处理的效率。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种无人机图像采集特征配准方法，包括：根据SIFT算法对待配准图像以及标准图像分别进行特征检测，以获得待配准图像以及标准图像对应的图像特征点，其中待配准图像为无人机进行输电线路的巡检所拍摄获得；根据最近邻方法对图像特征点进行特征点匹配，以获得待配准图像以及标准图像之间匹配的图像特征点；根据仿射变换对匹配的图像特征点进行空间坐标变换，进一步根据最小二乘法获得空间坐标变换对应的空间坐标变换参数；根据空间坐标变换参数对待配准图像进行坐标变换，以使待配准图像与标准图像处于同一坐标系下。
进一步地，根据SIFT算法对待配准图像以及标准图像分别进行特征检测的步骤具体包括：检测待配准图像以及标准图像对应的尺度空间极值点；从尺度空间极值点中确定图像特征点；提取图像特征点的主方向；根据图像特征点的主方向获得图像特征点的特征描述符。
进一步地，检测待配准图像以及标准图像对应的尺度空间极值点的步骤具体包括：生成待配准图像以及标准图像对应的尺度空间，根据不同的图像采样距离构建尺度空间对应的金字塔；对金字塔采用不同的尺度空间因子进行滤波，构建高斯金字塔；根据高斯金字塔构建高斯差分金字塔；在高斯差分金字塔中提取尺度空间极值点。
进一步地，尺度空间定义为一个尺度可变的高斯函数与待配准图像、标准图像的卷积，如下式所示：
其中L(x,y,σ)表示尺度空间，I(x,y)表示待配准图像或标准图像，表示卷积运算，(x，y)表示待配准图像或标准图像的像素位置，其中/>为尺度可变的高斯函数，σ表示尺度空间因子。
进一步地，高斯差分金字塔对应的高斯差分函数DOG通过下式运算得到，其中k为常数：
进一步地，提取图像特征点的主方向的步骤具体包括：利用图像特征点周围图像的梯度方向分布统计来确定图像特征点的主方向。
进一步地，特征描述符的维度为128维度。
进一步地，根据最近邻方法对图像特征点进行特征点匹配的步骤具体包括：计算待配准图像的特征描述符与标准图像的特征描述符之间的最近邻欧氏距离与次近邻欧氏距离；判断最近欧氏距离与次近邻欧氏距离的比值是否小于预设阈值，若比值小于预设阈值，则相应的图像特征点为待配准图像以及标准图像之间匹配的图像特征点。
进一步地，当待配准图像变换后的坐标不为整数时，则进行双线性插值处理。
本发明的有益效果是：区别于现有技术的情况，本发明所公开的无人机图像采集特征配准方法，根据SIFT算法对待配准图像以及标准图像分别进行特征检测，以获得待配准图像以及标准图像对应的图像特征点，实现对图像的旋转、缩放、平移以及光线、遮挡等具有不变性，在图像配准的过程中，达到图像的平移旋转，缩放方面的特征配准；能够对无人机图像进行图像配准，配准精度高，为后续的图像识别等图像处理工作提供便利，提高图像处理的效率。
附图说明
图1是本发明无人机图像采集特征配准方法的步骤示意图；
图2是本发明无人机图像采集特征配准方法中步骤S1的子步骤示意图；
图3是本发明无人机图像采集特征配准方法中步骤S2的子步骤示意图。
具体实施方式
图像配准是一种寻找同一场景的两幅或多幅图像之间的空间变换关系，并对其中的一幅或多幅图像进行变换的过程。图像配准是所有图像分析任务中最为关键和基础的步骤，是图像拼接、图像重建、目标识别等应用的前提。由于不同时间段、不同拍摄距离、不同拍摄视角、不同成像机理等因素，无人机所拍摄的图像可能会存在平移、拉伸、缩放等空间变换关系，没有在同一坐标下严格对其，因此需要在图像融合前进行图像配准。
请参阅图1-3，本发明的无人机图像采集特征配准方法包括以下步骤：
步骤S1：根据SIFT算法对待配准图像以及标准图像分别进行特征检测，以获得待配准图像以及标准图像对应的图像特征点。
本步骤S1具体包括以下子步骤：
子步骤S11：检测待配准图像以及标准图像对应的尺度空间极值点。具体过程包括：
生成待配准图像以及标准图像对应的尺度空间，尺度空间表示为L(x,y,σ)，尺度空间定义为一个尺度可变的高斯函数与待配准图像、标准图像I(x，y)的卷积，如下式所示：其中/>表示卷积运算，(x，y)表示图像的像素位置，其中/>为尺度可变的高斯函数，σ表示尺度空间因子；根据不同的图像采样距离构建尺度空间对应的金字塔，即在第一次采样时每0.5个像素距离进行采样，之后以成倍的图像采样距离即1、2、4个像素距离分别对图像采样来产生第二、三、四组的图像，构建上述金字塔的分层结构。
对金字塔采用不同的尺度空间因子(也即高斯滤波因子)进行滤波，构建高斯金字塔的分层结构；根据高斯金字塔构建高斯差分金字塔，具体为将每组中相邻图像进行相减生成高斯差分金字塔，其中高斯差分金字塔对应的高斯差分函数DOG可以通过下式运算得到，其中k为常数：
在高斯差分金字塔中提取尺度空间极值点，在提取尺度空间极值点时，样本点不仅要与本层中相邻的8个像素点比较，还要与上下相邻两层中各9个像素点进行比较。
子步骤S12：从尺度空间极值点中确定图像特征点。
为了确定图像特征点的位置，需要去除对比度比较低的图像特征点以及不稳定的边缘响应点，具体可通过拟合三维二次函数来实现这一操作，以增强匹配的稳定性，同时能够提高抗噪声能力。
子步骤S13：提取图像特征点的主方向。
利用图像特征点周围图像的梯度方向分布统计来确定图像特征点的主方向，使得SIFT算子具有旋转不变的性能。下式为(x,y)处梯度的幅值m(x，y)和方向θ(x，y)公式，其中L所用的尺度为每个图像特征点各自所在的尺度。计算时需要对以图像特征点为中心的窗口图像进行采样，根据直方图统计窗口图像内所有像素的梯度方向。梯度直方图统计范围是0～360度，选择直方图的峰值代表该特征点处邻域梯度的主方向，同时作为图像特征点的主方向。在梯度方向直方图中，如果存在另一个峰值，且该峰值相当于主峰值的80％，可以把这个方向看作图像特征点的辅方向。
θ(x，y)＝atan2((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))
子步骤S14：根据图像特征点的主方向获得图像特征点的特征描述符。
根据图像特征点的主方向周围的像素点得到特征描述符，在每4×4的小块内计算出八个方向的梯度方向直方图，并统计每个梯度方向的累计值，得到一个种子点，一个图像特征点由2×2共4个种子点构成，每个种子点有8个方向的向量值。为了进一步增强特征匹配的鲁棒性，可以对每个图像特征点使用4×4共16个种子点的方式进行特征描述，即每个图像特征点产生128维的特征向量，该特征向量即为图像特征点的特征描述符。
采用128维的维度对图像特征点进行描述，使得特征点描述符之间具有很大的差异性，可直接利用图像特征点之间的几何特性进行图像特征点的匹配，具体如下步骤S2所示。
步骤S2：根据最近邻方法对图像特征点进行特征点匹配，以获得待配准图像以及标准图像之间匹配的图像特征点。
根据最近邻方法(Nearest Neighbor，NN)对图像特征点进行特征点匹配，该步骤S2具体包括以下子步骤：
子步骤S21：计算待配准图像的特征描述符与标准图像的特征描述符之间的最近邻欧氏距离与次近邻欧氏距离。
子步骤S22：判断最近欧氏距离与次近邻欧氏距离的比值是否小于预设阈值，若比值小于预设阈值，则相应的图像特征点为待配准图像以及标准图像之间匹配的图像特征点，也即接受这一对匹配点。
步骤S3：根据仿射变换对匹配的图像特征点进行空间坐标变换，进一步根据最小二乘法获得空间坐标变换对应的空间坐标变换参数。
仿射变换(Affine Transform)可以通过一系列变换的复合来实现，包括：缩放、旋转、平移和剪切。该类变换可以用一个3×3的矩阵来表示，其最后一列为(0,0,1)。该变换矩阵将原坐标(x,y)变换为新坐标(x',y')，这里原坐标和新坐标皆为最后一列为(0,0,1)的三维行向量，原行向量右乘变换矩阵得到新的行向量，具体如下式所示：
需要计算的空间坐标变换参数即仿射变换参数G(tx,ty,s)(其中tx和ty分别是横纵坐标的平移量，s是缩放量)，就是使一个点集中的点经过变换后的坐标与另一个点集中对应的点的坐标欧氏距离的平方和S(tx,ty,s)最小的变换，该空间坐标变换参数通过最小二乘法可求得。
此外，可通过互信息相似性测度提高图像配准的速度和精度。相似测度的选择很大程度上依赖于特征空间的选择，当两幅图像的空间位置达到一致时，其中一幅图像表达另一幅图像的信息，即其互信息应为最大。设A为待配准图像，B为标准图像，边缘概率分别为PA(a)和PB(b)，联合概率分布为PAB(a,b)，互信息为MI(A,B)：
选择比互信息测度更稳定的归一化互信息测度：
步骤S4：根据空间坐标变换参数对待配准图像进行坐标变换，以使待配准图像与标准图像处于同一坐标系下。
在获得空间坐标变换参数后，对待配准图像进行相应的坐标变换使得待配准图像与标准图像处于同一坐标系下，完成图像配准。当待配准图像变换后所得点的坐标不为整数时，则应进行双线性插值处理。
本发明通过SIFT算法对待配准图像以及标准图像分别进行特征检测，获得对应的图像特征点，由于SIFT算法所获得的图像特征点具有很高的鲁棒性，对图像的旋转、缩放、平移以及光线、遮挡等具有不变性，该算法可以有效的支持无人机在非固定视角条件下所获取的图像进行图像配准，在配准的过程中，达到图像的平移旋转，缩放方面的特征配准。本发明能够对无人机图像进行图像配准，配准精度高，为后续的图像识别等图像处理工作提供便利，提高图像处理的效率。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种无人机图像采集特征配准方法，其特征在于，包括：
根据SIFT算法对待配准图像以及标准图像分别进行特征检测，以获得所述待配准图像以及标准图像对应的图像特征点，其中所述待配准图像为无人机进行输电线路的巡检所拍摄获得；
根据最近邻方法对所述图像特征点进行特征点匹配，以获得所述待配准图像以及标准图像之间匹配的图像特征点，其步骤具体为：检测所述待配准图像以及标准图像对应的尺度空间极值点；从所述尺度空间极值点中确定所述图像特征点；提取所述图像特征点的主方向；根据所述图像特征点的主方向获得所述图像特征点的特征描述符；
其中，检测所述待配准图像以及标准图像对应的尺度空间极值点的步骤具体包括：生成所述待配准图像以及标准图像对应的尺度空间，根据不同的图像采样距离构建所述尺度空间对应的金字塔；对所述金字塔采用不同的尺度空间因子进行滤波，构建高斯金字塔；根据所述高斯金字塔构建高斯差分金字塔；在所述高斯差分金字塔中提取所述尺度空间极值点；
其中，所述尺度空间定义为一个尺度可变的高斯函数与所述待配准图像、标准图像的卷积，如下式所示：
其中L(x,y,σ)表示所述尺度空间，I(x,y)表示所述待配准图像或标准图像，表示卷积运算，(x,y)表示所述待配准图像或标准图像的像素位置，其中为所述尺度可变的高斯函数，σ表示尺度空间因子；
根据仿射变换对所述匹配的图像特征点进行空间坐标变换，进一步根据最小二乘法获得所述空间坐标变换对应的空间坐标变换参数；
根据所述空间坐标变换参数对所述待配准图像进行坐标变换，以使所述待配准图像与所述标准图像处于同一坐标系下。
2.根据权利要求1所述的无人机图像采集特征配准方法，其特征在于，所述高斯差分金字塔对应的高斯差分函数DOG通过下式运算得到，其中k为常数：
3.根据权利要求2所述的无人机图像采集特征配准方法，其特征在于，所述提取所述图像特征点的主方向的步骤具体包括：利用所述图像特征点周围图像的梯度方向分布统计来确定图像特征点的主方向。
4.根据权利要求3所述的无人机图像采集特征配准方法，所述特征描述符的维度为128维度。
5.根据权利要求1所述的无人机图像采集特征配准方法，其特征在于，所述根据最近邻方法对所述图像特征点进行特征点匹配的步骤具体包括：
计算所述待配准图像的特征描述符与所述标准图像的特征描述符之间的最近邻欧氏距离与次近邻欧氏距离；
判断所述最近邻欧氏距离与所述次近邻欧氏距离的比值是否小于预设阈值，若所述比值小于所述预设阈值，则相应的所述图像特征点为待配准图像以及标准图像之间匹配的图像特征点。
6.根据权利要求1所述的无人机图像采集特征配准方法，其特征在于，当所述待配准图像变换后的坐标不为整数时，则进行双线性插值处理。
CN201810241622.1A 2018-03-22 2018-03-22 一种无人机图像采集特征配准方法 Active CN109544608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810241622.1A CN109544608B (zh) 2018-03-22 2018-03-22 一种无人机图像采集特征配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810241622.1A CN109544608B (zh) 2018-03-22 2018-03-22 一种无人机图像采集特征配准方法

Publications (2)

Publication Number Publication Date
CN109544608A CN109544608A (zh) 2019-03-29
CN109544608B true CN109544608B (zh) 2023-10-24

Family

ID=65830769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810241622.1A Active CN109544608B (zh) 2018-03-22 2018-03-22 一种无人机图像采集特征配准方法

Country Status (1)

Country Link
CN (1) CN109544608B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178264A (zh) * 2019-12-30 2020-05-19 国网浙江省电力有限公司电力科学研究院 一种用于对无人机航拍图像中铁塔塔基姿态的估计算法
CN111806702B (zh) * 2020-06-30 2021-10-22 周春荣 基于信号检测的跳伞机构弹出平台及方法
CN114022555A (zh) * 2021-11-09 2022-02-08 扬州大学江都高端装备工程技术研究所 基于合模线和壁厚分布特征的吹塑件焊接位姿匹配方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413150A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于可见光影像对电力线路缺陷进行诊断的方法
CN103761722A (zh) * 2014-01-16 2014-04-30 中国南方电网有限责任公司超高压输电公司检修试验中心 一种用于输电线路固定翼无人机巡视图像精确拼接的方法
CN104318583A (zh) * 2014-11-14 2015-01-28 武汉大学 一种可见光宽带光谱图像配准方法
CN104574401A (zh) * 2015-01-09 2015-04-29 北京环境特性研究所 一种基于平行线匹配的图像配准方法
CN104574278A (zh) * 2015-02-03 2015-04-29 中国人民解放军国防科学技术大学 基于局部反馈机制与稀疏全局调整的航拍图像拼接方法
CN106257535A (zh) * 2016-08-11 2016-12-28 河海大学常州校区 基于surf算子的电气设备红外与可见光图像配准方法
WO2017107700A1 (zh) * 2015-12-21 2017-06-29 努比亚技术有限公司 一种实现图像配准的方法及终端
CN108401565B (zh) * 2015-05-28 2017-12-15 西北工业大学 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2460187C2 (ru) * 2008-02-01 2012-08-27 Рокстек Аб Переходная рама с встроенным прижимным устройством

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413150A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于可见光影像对电力线路缺陷进行诊断的方法
CN103761722A (zh) * 2014-01-16 2014-04-30 中国南方电网有限责任公司超高压输电公司检修试验中心 一种用于输电线路固定翼无人机巡视图像精确拼接的方法
CN104318583A (zh) * 2014-11-14 2015-01-28 武汉大学 一种可见光宽带光谱图像配准方法
CN104574401A (zh) * 2015-01-09 2015-04-29 北京环境特性研究所 一种基于平行线匹配的图像配准方法
CN104574278A (zh) * 2015-02-03 2015-04-29 中国人民解放军国防科学技术大学 基于局部反馈机制与稀疏全局调整的航拍图像拼接方法
CN108401565B (zh) * 2015-05-28 2017-12-15 西北工业大学 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法
WO2017107700A1 (zh) * 2015-12-21 2017-06-29 努比亚技术有限公司 一种实现图像配准的方法及终端
CN106257535A (zh) * 2016-08-11 2016-12-28 河海大学常州校区 基于surf算子的电气设备红外与可见光图像配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于SIFT和TPS算法的四旋翼无人机图像自动配准;陈本清等;《遥感技术与应用》;20130831;第28卷(第4期);第604-609页 *
基于局部特征的遥感图像快速自动配准;张振等;《计算机工程与应用》;20100731;第46卷(第13期);第161-163、201页 *

Also Published As

Publication number Publication date
CN109544608A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
Li et al. LNIFT: Locally normalized image for rotation invariant multimodal feature matching
CN111428748A (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN106408597A (zh) 基于邻域熵和一致性检测的sar图像配准方法
CN107818303B (zh) 无人机油气管线影像自动对比分析方法、系统及软件存储器
CN109544608B (zh) 一种无人机图像采集特征配准方法
CN105631872B (zh) 基于多特征点的遥感图像配准方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN103353941B (zh) 基于视角分类的自然标志物注册方法
CN111462198B (zh) 一种尺度、旋转和辐射不变性的多模态影像配准方法
CN103679740B (zh) 一种无人机对地目标roi提取方法
Liu et al. Multi-sensor image registration by combining local self-similarity matching and mutual information
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
CN111861866A (zh) 一种变电站设备巡检图像全景重建方法
TW202225730A (zh) 基於深度學習之高效率光達物件偵測方法
CN105678720A (zh) 一种全景拼接判断图像匹配方法及装置
CN103533332B (zh) 一种2d视频转3d视频的图像处理方法
CN104966283A (zh) 图像分层配准方法
Li et al. A novel framework for urban change detection using VHR satellite images
CN110321869A (zh) 基于多尺度融合网络的人员检测和提取方法
Hao et al. Active cues collection and integration for building extraction with high-resolution color remote sensing imagery
CN116385477A (zh) 一种基于图像分割的杆塔图像配准方法
CN113642430B (zh) 基于VGG+NetVLAD的地下停车场高精度视觉定位方法及系统
CN115187969A (zh) 一种基于视觉识别的铅酸电池回收系统和方法
Wu et al. An accurate feature point matching algorithm for automatic remote sensing image registration
Zhu et al. A filtering strategy for interest point detecting to improve repeatability and information content

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant